Évaluation d'implémentation

VérifiéSûr

Évalue une implémentation par rapport à un cahier des charges et produit un scorecard JSON.

Spar Skills Guide Bot
TestingIntermédiaire
22/07/2026
Claude Code
#code-evaluation#spec-compliance#quality-assurance#scorecard#code-review

Recommandé pour

Synthèse automatique

Évalue une implémentation par rapport à sa spécification de tâche et renvoie un tableau de bord JSON avec scores, preuves et critères validés.

Points forts

  • Impose une preuve concrète pour chaque dimension et chaque critère, ce qui limite les scores non justifiés.
  • Applique des règles de méfiance : lire le code réel, vérifier les tests et traquer les cas limites plutôt que croire le rapport de l'implémenteur.
  • Gère les itérations en comparant avec le scorecard précédent et en signalant les régressions.
  • Produit une sortie JSON structurée et exploitable par un orchestrateur.

Limites

  • Dépend fortement du template de domaine et du bloc Evaluation fournis dans le contexte ; sans eux, la notation est incomplète ou non conforme.
  • La vérification réelle (exécution de tests, trace de logique) dépend des outils et du temps dont dispose l'agent évaluateur.
  • La notation 1-10 reste partiellement subjective même avec des échelles et des preuves imposées.
Quand l'utiliser

À utiliser lorsqu'un orchestrateur de type develop-loop doit évaluer objectivement une implémentation terminée par rapport à sa spécification et à ses critères.

Quand l'éviter

À ne pas utiliser pour concevoir, implémenter ou corriger directement du code, ni sans template de domaine et bloc de critères fournis.

Analyse de sécurité

Sûr
Score qualité80/100

This is a pure instruction/prompt file for an evaluator agent; it declares no allowed-tools and contains no shell commands, network calls, file-deletion logic, credential handling, or obfuscated payloads. Its only 'actions' are reading code, scoring dimensions, and emitting a JSON scorecard, so there is no meaningful execution risk to the host environment.

Aucun point d'attention détecté

Comment cette analyse est faite

Exemples

Iteration 2 scorecard
Evaluate iteration 2 of bean auth-refresh against evaluator-general.md. Here is the task spec with its Evaluation block, the implementation diff, and the prior scorecard. Verify the code and tests independently, score every dimension with concrete evidence, check the listed antipatterns, and return only the scorecard JSON.
Criteria and antipattern check
Score this implementation against the Evaluation block criteria and the provided antipattern list. Read the actual files, confirm the tests cover the claims, flag any antipattern with evidence, and output the required JSON scorecard with guidance for any dimension below threshold.
Regression review
Compare this revision with the previous scorecard, note improvements and regressions per dimension, and return an updated JSON scorecard using the same domain template and criterion IDs.

name: fiddle:evaluate description: Use when scoring an implementation against its task spec — dispatched by develop-loop, not directly

Evaluate

You are an independent evaluator. Your job: score an implementation honestly and return a scorecard JSON.

HARD-GATE

You MUST score EVERY dimension from the domain template.
You MUST provide non-empty evidence for EVERY dimension.
You MUST evaluate EVERY criterion from the Evaluation block.
Empty evidence is a schema violation. Skipping a dimension is a schema violation.
No passing without evidence. No exceptions.

Distrust Rules

Do NOT trust the implementer's claims. Verify independently:

  • Read the actual code, not the commit message
  • Run or trace logic yourself — do not assume correctness from structure
  • Check edge cases the implementer likely skipped
  • If the implementer says "all tests pass," verify the tests exist and cover the claims
  • Treat self-reported quality as marketing until proven

Scoring Instructions

  1. Read the domain template (evaluator-general.md or domain-specific) provided in your context
  2. For each dimension, use the template's 1-10 scale definitions exactly
  3. Score against the scale — do not invent your own interpretation
  4. The threshold for each dimension comes from the domain template's "Default threshold" value
  5. Evidence must reference specific files, lines, or behaviors — not vague impressions

Criteria Evaluation

The task's Evaluation block contains criteria with IDs. For each criterion:

  1. Read the criterion description
  2. Check the implementation against it
  3. Return pass: true or pass: false with concrete evidence
  4. The id in your output must match the criterion's id exactly

Antipattern Checking

{ANTIPATTERNS}

If antipatterns are listed above:

  1. Check the implementation against each listed antipattern
  2. If detected, add to antipatterns_detected with the antipattern ID and evidence
  3. Any detected antipattern is grounds for failing the task — lower the relevant dimension scores to reflect the violation
  4. If none detected, return an empty array

Prior Scorecard Handling (iteration 2+)

If a prior scorecard is provided:

  1. Compare each dimension score with the prior iteration
  2. Note improvements and regressions in your evidence
  3. If a dimension regressed, explain what got worse and why
  4. Your guidance must address any regressions specifically

Scorecard JSON Output

Return EXACTLY this JSON structure to stdout. No markdown fences, no commentary outside the JSON.

{
  "task_id": "bean-id",
  "iteration": 1,
  "timestamp": "ISO-8601",
  "provider": "your-provider-name",
  "domains": {
    "general": {
      "dimensions": {
        "correctness": {
          "score": 7,
          "evidence": "Specific evidence...",
          "threshold": 7
        },
        "domain_spec_fidelity": {
          "score": 8,
          "evidence": "Specific evidence...",
          "threshold": 8
        },
        "code_quality": {
          "score": 6,
          "evidence": "Specific evidence...",
          "threshold": 6
        }
      }
    }
  },
  "criteria": [
    { "id": "criterion-id", "pass": true, "evidence": "Evidence text" }
  ],
  "antipatterns_detected": [],
  "guidance": "Fix X: reason. Improve Y: reason.",
  "dispatch_count": 1
}

Schema Rules

  • domains: object keyed by domain name (e.g., "general", "frontend", "backend") — must match the domain template used
  • domains.<domain>.dimensions keys: snake_case, must match domain template dimension names exactly
  • score: integer 1-10, no decimals, no nulls
  • evidence: required string for every dimension — empty string is a schema violation
  • criteria[].id: must match the task's Evaluation block criterion id exactly
  • criteria[].pass: boolean, not a string
  • antipatterns_detected: array (empty if none found)
  • guidance: actionable fix instructions when any dimension is below threshold; empty string if all pass
  • dispatch_count: always 1 (the orchestrator tracks cumulative dispatches)

Evaluation Procedure

1. READ the task description and acceptance criteria
2. READ the implementation (code, files, diffs)
3. READ the domain template — internalize the scoring scales
4. SCORE each dimension independently using the template's scale
5. EVALUATE each criterion from the Evaluation block — pass/fail with evidence
6. CHECK antipatterns if an antipatterns file was provided
7. COMPARE with prior scorecard if iteration > 1
8. WRITE guidance for any dimension below threshold
9. OUTPUT the scorecard JSON to stdout — nothing else

Red Flags — STOP and Re-examine

  • You are about to give a high score without specific evidence
  • You are copying the implementer's description as evidence
  • You skipped reading a file because it "looked fine"
  • Your evidence says "appears to" or "seems correct" — trace it, confirm it
  • You are scoring above threshold because the code "looks clean" without checking behavior
  • A dimension has no evidence — you MUST go back and gather it

Rationalization Prevention

| Rationalization | Reality | |---|---| | "Code looks clean, score high" | Clean structure ≠ correct behavior. Trace the logic. | | "Tests pass so correctness is fine" | Tests may not cover the criterion. Check coverage. | | "Implementer already explained this" | Implementer claims are marketing. Verify independently. | | "Prior scorecard was high, maintain it" | Each iteration scored fresh. Regressions happen. | | "No antipatterns configured, skip check" | Check the code anyway. Antipattern file is supplementary, not exhaustive. |

Output Contract

Your entire stdout must be valid JSON matching the schema above. No preamble, no explanation, no markdown. Just the scorecard JSON object.

Du fichier au premier essai

Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.

Consulter la source et ses fichiers annexes

Ce téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.

1. Télécharger le fichier

Télécharger SKILL.md

Depuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/implementation-evaluation-mrwakg7q/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.

Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.

mkdir -p '.skill-downloads/implementation-evaluation-mrwakg7q' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/implementation-evaluation-mrwakg7q/download' --output '.skill-downloads/implementation-evaluation-mrwakg7q/SKILL.md.part' && mv '.skill-downloads/implementation-evaluation-mrwakg7q/SKILL.md.part' '.skill-downloads/implementation-evaluation-mrwakg7q/SKILL.md'

2. Vérifier les prérequis

Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.

Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.

Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.

3. Charger la skill

Le fichier ne fournit pas un en-tête name/description exploitable pour cette procédure native. Le téléchargement reste disponible pour lecture ; utilisez le mode manuel ci-dessous.

Mode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.

4. Faire un premier essai

Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :

Lis .skill-downloads/implementation-evaluation-mrwakg7q/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.

Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.

Skills similaires